論文の概要: PRECISE-AS: Personalized Reinforcement Learning for Efficient Point-of-Care Echocardiography in Aortic Stenosis Diagnosis

• arxiv url: http://arxiv.org/abs/2509.02898v1
• Date: Tue, 02 Sep 2025 23:47:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.365099
• Title: PRECISE-AS: Personalized Reinforcement Learning for Efficient Point-of-Care Echocardiography in Aortic Stenosis Diagnosis
• Title（参考訳）: PreCISE-AS:パーソナライズされた強化学習による大動脈狭窄診断
• Authors: Armin Saadat, Nima Hashemi, Hooman Vaseli, Michael Y. Tsang, Christina Luong, Michiel Van de Panne, Teresa S. M. Tsang, Purang Abolmaesumi,
• Abstract要約: 大動脈狭窄 (Aortic stenosis, AS) は、大動脈弁が狭くなり、血流が低下することによる生命維持状態である。 心エコー検査(echo)へのアクセスは、特に農村部や低地部において、資源の制約により制限されることが多い。 本稿では,患者の最も情報性の高いエコー映像を動的に選択する強化学習(RL)によるアクティブビデオ取得フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.276251898178271
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Aortic stenosis (AS) is a life-threatening condition caused by a narrowing of the aortic valve, leading to impaired blood flow. Despite its high prevalence, access to echocardiography (echo), the gold-standard diagnostic tool, is often limited due to resource constraints, particularly in rural and underserved areas. Point-of-care ultrasound (POCUS) offers a more accessible alternative but is restricted by operator expertise and the challenge of selecting the most relevant imaging views. To address this, we propose a reinforcement learning (RL)-driven active video acquisition framework that dynamically selects each patient's most informative echo videos. Unlike traditional methods that rely on a fixed set of videos, our approach continuously evaluates whether additional imaging is needed, optimizing both accuracy and efficiency. Tested on data from 2,572 patients, our method achieves 80.6% classification accuracy while using only 47% of the echo videos compared to a full acquisition. These results demonstrate the potential of active feature acquisition to enhance AS diagnosis, making echocardiographic assessments more efficient, scalable, and personalized. Our source code is available at: https://github.com/Armin-Saadat/PRECISE-AS.
• Abstract（参考訳）: 大動脈狭窄 (Aortic stenosis, AS) は、大動脈弁の狭窄によって引き起こされる生命予後であり、血流障害を引き起こす。 金標準診断ツールであるエコー心電図(echo)へのアクセスは、その頻度が高いにもかかわらず、特に農村部や低地地域では資源の制約により制限されることが多い。 ポイント・オブ・ケア超音波(POCUS)は、よりアクセスしやすい代替手段を提供するが、オペレーターの専門知識と、最も関連する画像ビューを選択することの難しさによって制限されている。 そこで我々は,患者の最も情報性の高いエコー映像を動的に選択する強化学習(RL)による能動ビデオ取得フレームワークを提案する。 ビデオの固定セットに依存する従来の手法とは異なり、我々の手法は画像の追加が必要かどうかを継続的に評価し、精度と効率の両方を最適化する。 2,572人の患者から得られたデータを用いて, 完全取得と比較して, エコービデオの47%しか使用せず, 80.6%の分類精度が得られた。 これらの結果は,AS診断を向上し,心エコー図による評価をより効率的,スケーラブル,パーソナライズするために,能動的特徴獲得の可能性を示すものである。 私たちのソースコードは、https://github.com/Armin-Saadat/PRECISE-AS.comで公開されています。

関連論文リスト

• Patient-specific radiomic feature selection with reconstructed healthy persona of knee MR images [39.11295870085984]
  古典的な放射能の特徴は、画像の外観と強度パターンを記述するように設計されている。 このような放射能特性を用いた低次元パラメトリックモデルでは、解釈性は向上するが、臨床における比較性能は低下する。 本稿では,患者ごとの放射線学的特徴を学習することで,標準的なロジスティック回帰モデルの性能を大幅に改善する手法を提案する。
  論文  参考訳（メタデータ） (2025-03-17T12:55:43Z)
• Class-Aware Cartilage Segmentation for Autonomous US-CT Registration in Robotic Intercostal Ultrasound Imaging [39.597735935731386]
  形状制約後処理を施したクラスアウェア軟骨骨分節ネットワークを提示し, 患者固有の骨骨格を捕捉する。 一般的なテンプレートから個々の患者へ、宿主間走査経路をマッピングするために、密度の高い骨格グラフに基づく非剛性登録が提示される。 提案手法は,CTテンプレートから個々の患者へのパスを,頑健かつ正確にマッピングできることを示す。
  論文  参考訳（メタデータ） (2024-06-06T14:15:15Z)
• Goal-conditioned reinforcement learning for ultrasound navigation guidance [4.648318344224063]
  目標条件強化学習(G)としてのコントラスト学習に基づく新しい超音波ナビゲーション支援手法を提案する。 我々は,新しいコントラスト的患者法 (CPB) とデータ拡張型コントラスト的損失を用いて,従来の枠組みを拡張した。 提案法は, 789人の大容量データセットを用いて開発され, 平均誤差は6.56mm, 9.36°であった。
  論文  参考訳（メタデータ） (2024-05-02T16:01:58Z)
• Deep denoising autoencoder-based non-invasive blood flow detection for arteriovenous fistula [10.030431512848239]
  本稿では,DAE(Deep Denoising Autoencoder)に基づく次元削減と再構成作業を行う手法を提案する。 以上の結果から,DAEが生み出す潜伏表現は0.93の精度で予測を上回った。 ノイズ・ミキシングの導入とノイズ・トゥ・クリーン・スキームの利用により、潜在表現の識別能力が効果的に向上する。
  論文  参考訳（メタデータ） (2023-06-12T04:46:01Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Know your sensORs $\unicode{x2013}$ A Modality Study For Surgical Action Classification [39.546197658791]
  医療コミュニティは、この豊富なデータを活用して、介入ケアを推進し、コストを下げ、患者の成果を改善する自動化手法を開発しようとしている。 既存のORルームカメラのデータセットは、これまではサイズやモダリティが限られていたため、ビデオから外科的アクションを認識するなどのタスクに、どのセンサーのモダリティが最適かは明らかになっていない。 本研究は, 画像のモダリティによって, 手術時の動作認識性能が変化することを示す。
  論文  参考訳（メタデータ） (2022-03-16T15:01:17Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Segmentation-free Heart Pathology Detection Using Deep Learning [12.065014651638943]
  本研究では,新しいセグメンテーションフリー心音分類法を提案する。 具体的には、離散ウェーブレット変換を用いて信号をノイズ化し、続いて特徴抽出と特徴量削減を行う。 サポートベクトルマシンとディープニューラルネットワークは分類に使用される。
  論文  参考訳（メタデータ） (2021-08-09T16:09:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。